Herramientas/Tool Index
Detección de inmuebles
Este modelo de aprendizaje automático (machine learning) usa imágenes satelitales de alta resolución como insumo para analizar e identificar edificaciones existentes en ciudades.
El objetivo general del modelo es apoyar a líderes en el sector de desarrollo urbano y vivienda a generar, de modo automático, mapas básicos de las edificaciones existentes en áreas urbanas y asentamientos humanos.
Banco Interamericano de Desarrollo
CASOS DE USO:
Este tipo de clasificación de estructuras es útil para tareas de planificación urbana como la identificación y planeación de zonas informales/no planificadas, el diseño y desarrollo de servicios urbanos, y para extrapolar datos a nivel ciudad como la cantidad de edificios y estimaciones de población.
Para entrenar al modelo, se utilizaron imágenes de alta resolución del Programa de Ciudades Emergentes y Sostenibles del BID , de las siguientes ciudades:
- Georgetown, Guyana
- Paramaribo, Suriname
- Belice, Belice
FUNCIONES
- Analizar imágenes.
- Entrenar un modelo para tres ciudades latinoamericanas, esta automatización reduce el tiempo requerido a un día en lugar de un mes (manual).
- Producir un paquete de predicción que se puede utilizar para hacer predicciones sobre nuevas imágenes.
Este modelo de segmentación de inmuebles permite predecir máscaras raster (raster masks) y polígonos vectorizados de imágenes satelitales usando un abordaje de segmentación semántica.
Este proceso asigna una categoría a cada píxel de la imagen. En este caso, las categorías utilizadas son ‘inmueble’ o ‘no inmueble’. Al permitir una segmentación que reconoce las características únicas de cada ciudad (diferentes patrones de urbanización, diferentes rasgos geográficos, etc.), esta herramienta es aplicable en varios contextos.
Puedes ver el código aquí: https://github.com/EL-BID/Building-Detection
En esta imagen se presentan resultados para Paramaribo. El color naranja muestra los edificios identificados por el modelo. Tomó aproximadamente ocho horas realizar la identificación manual de estructuras en el polígono de color rosado oscuro, ubicado en la esquina inferior derecha. El modelo logra realizar la identificación de toda la ciudad en tan solo una hora, utilizando como datos de entrenamiento etiquetas generadas a través de crowd-sourcing en Openstreetmap para el área en los polígonos rojos.